Datagestuurde waardestroomanalyse: gebruik ERP-data in plaats van stopwatches

Disclosure: M365.FM host Mirko Peters works at iFAKT GmbH. This page describes the company factually; paid partnerships and links are labelled as advertising.

By Mirko Peters · 2026-11-11

Digitale waardestroomanalyse bouwt de kaart op uit ERP- en productiedata. Lees welke data je nodig hebt, de stappen, de beperkingen en een uitgewerkt voorbeeld voor managers.

Automatically translated with AI from the original post. Read the English original

Digitale waardestroomanalyse bouwt de waardestroomkaart op uit vastgelegde data in plaats van uit een stopwatch en één dag observeren. Orders, routings, voorraadregistraties en productiefeedback geven je cyclustijden, wachttijden en voorraad voor veel orders tegelijk. Deze gids is bedoeld voor fabrieksmanagers die over ERP-data beschikken en willen weten hoe ver die handmatige mapping kan vervangen. Ze legt uit welke data je nodig hebt, hoe je stap voor stap de kaart opbouwt, wat een uitgewerkt voorbeeld laat zien en waar data alleen je op het verkeerde been zet.

Belangrijkste punten

• Digitale waardestroomanalyse bouwt de kaart op uit vastgelegde data, zoals orders, routings, voorraad en productiefeedback, in plaats van uit een stopwatch en één dag observeren.
• Een klassieke kaart is een momentopname. Data laat zien hoe tijden en voorraad van order tot order variëren, wat één rondgang niet kan tonen.
• ERP-data levert meestal vraag, orders, routings en voorraad. Systemen op de werkvloer voegen per bewerking de werkelijke start- en eindtijden en hoeveelheden toe.
• Data is alleen zo goed als de boekingen erachter. Loop de stroom na om te controleren wat de cijfers betekenen voordat je ze vertrouwt.
• Gebruik data om te bepalen waar je moet kijken en om de kaart vaak te herhalen. Gebruik de wandeling om het waarom te begrijpen en maak afspraken over acties met het team.

Waarom schieten stopwatches en momentopnames tekort?

Waardestroomanalyse is een methode van lean-procesmapping. Ze brengt de stroom van materialen en informatie in kaart die een product of dienst bij de klant brengen, meestal per productfamilie. Een fabriek heeft meerdere waardestromen, één per familie, en elke waardestroom heeft zijn eigen waardestroomkaart nodig. De klassieke methode werkt goed op de werkvloer, maar kent beperkingen. Het Institute of Production Management, Technology and Machine Tools (PTW) van de TU Darmstadt noemt ze op zijn pagina over de datagestuurde waardestroommethode:

• De waardestroomkaart is statisch. Ze berust op momentopnames en schattingen en legt de variatie niet vast.
• Tijden, voorraden en kerncijfers met de hand registreren maakt het mappen zeer tijdrovend om te herhalen.
• De modelleertaal past bij eenvoudige lineaire stromen, dus vertakte stromen en meerdere productfamilies zijn moeilijk vast te leggen.
• Welke processtappen je kiest en of de data correct wordt vastgelegd, hangt af van de ervaring van de gebruiker.

PTW meldt uit zijn eerste industriële projecten ook dat de klantvraag, het volumeaandeel van een productfamilie en de machinetoewijzing voor gedeelde resources elk meer dan 20 procent werden bijgesteld ten opzichte van de eerste schattingen van de experts. Dat is een resultaat uit een onderzoeksproject en komt misschien niet overeen met jouw fabriek. Het laat wel zien dat schattingen de moeite waard zijn om tegen data te controleren.

Handmatig mappen heeft nog een zwakke plek. Christoph Roser van AllAboutLean waarschuwt dat je, als je alleen medewerkers vraagt, de ideale situatie krijgt en niet de werkelijkheid, terwijl juist de afwijkingen van de standaard ertoe doen. Hij adviseert om de huidige situatie op de werkvloer zelf te tekenen en de informatie zelf te verifiëren. In zijn artikel Practical Tips for Value Stream Mapping wijst hij bovendien, in een reactie van een lezer, erop dat gegevens uit de rondgang gecontroleerd moeten worden aan de hand van MES of andere rapportagesystemen. De controle werkt in twee richtingen: data toetst de rondgang, en de rondgang toetst de data.

Wat is digitale value stream mapping, en welke data gebruikt het?

Digitale value stream mapping, ook wel datagedreven of databased VSM genoemd, maakt de value stream map op basis van registraties in je systemen. PTW beschrijft hoe transactiedata productie-procesmatrices kan opbouwen, en hoe productiefeedback en eventdata process mining mogelijk maken. Process mining reconstrueert de werkelijke processtromen en leidt meetgegevens af, zoals doorvoer, bewerkingstijden en wachttijden. Een paper uit 2026 van Paryanto, Faizin en Franke in het Journal of Manufacturing and Materials Processing, Improving Manufacturing Line Design Efficiency Using Digital Value Stream Mapping, stelt een raamwerk voor dat werkt met realtime operationele data in plaats van statische, handmatig geaggregeerde data.

Twee soorten systemen leveren het grootste deel van de data:

• Enterprise resource planning (ERP). Bedrijfssoftware die inkoop, voorraad, orders en aanverwante transacties binnen een organisatie met elkaar verbindt. Het bevat meestal de vraag, orders, routings en voorraad.
• Een manufacturing execution system (MES). Software op de werkvloer die productieactiviteit vastlegt per werkorder en bewerking, bijvoorbeeld het werkelijk verbruikte materiaal op een werkstation. Het levert de werkelijke tijden en hoeveelheden.

Als vuistregel, die van mijzelf is en geen regel uit de bronnen, vult de data de value stream map als volgt in:

• Klantvak: vraag per dag of per week uit de orderhistorie.
• Productfamilie: orders die routings en machines delen.
• Procesvakken: bewerkingen uit de routings.
• Datavakken: cyclustijd, bewerkingstijd en omsteltijd uit productiefeedback.
• Voorraaddriehoeken: voorraadregistraties, omgezet in dagen voorraad door te delen door de dagelijkse vraag.
• Informatiestroom: hoe orders en planningen naar de werkvloer worden vrijgegeven.

Hoe bouw je stap voor stap een databasis value stream map?

1. Kies de productfamilie en de periode. Neem genoeg weken om normale variatie te dekken, en vermijd weken met feestdagen.
2. Haal de data op. Trek orders, routings, voorraad en productiefeedback voor die familie uit de systemen. Een van de beste werkwijzen is om de ruwe export te bewaren, zodat je elk cijfer kunt herleiden.
3. Maak de data schoon. Verwijder testorders, dubbele regels en duidelijke boekingsfouten. Vraag de mensen die de data boeken wat elk veld betekent.
4. Bereken de meetgegevens. Bereken per order de bewerkingstijd, wachttijd en doorlooptijd. Rapporteer de mediaan en de spreiding, niet alleen het gemiddelde.
5. Teken de map. Zet de cijfers in de gebruikelijke datavakken en tijdlijn. Maak een value stream map die je in één minuut kunt lezen, en bewaar de extractie als herhaalbare workflow, zodat je die elke maand kunt bijwerken.
6. Loop de stroom af. Controleer de value stream map aan de hand van de werkvloer. Tel de voorraad zelf op twee stappen en observeer meerdere cycli.
7. Spreek acties af. Teken de toekomstige situatie, kies de grootste gaten, stel meetbare doelen, wijs eigenaren aan en herhaal de value stream map na de verandering. Deel hem met belanghebbenden in productie, planning en logistiek.

Voorbeeld: wat een stopwatch en de data over één stap zeggen

Dit is een illustratief voorbeeld met verzonnen cijfers, geen gemeten case. Een fabrieksmanager brengt één productfamilie in kaart. De vraag is 280 stuks per dag, en een werkdag heeft 25.200 seconden, dus de takttijd is 25.200 ÷ 280 = 90 seconden.

De stopwatch. Tijdens de wandeling meet het team de lastation: 85 seconden per stuk, van een ervaren operator op een goede dag. Dat ligt onder de takttijd, dus het lassen lijkt in orde.

De data. De productiefeedback van vier weken laat een gemiddelde zien van 98 seconden per stuk. Daarin zitten korte stilstanden, herbewerkingen en langzamere shifts die op de wandeldag niemand zag. Bij 98 seconden maakt het lassen 25.200 ÷ 98 = ongeveer 257 stuks per werkdag. De vraag is 280, dus het tekort is ongeveer 23 stuks per dag, of 8 procent. Het lassen zit boven de takttijd en is het knelpunt.

De wachttijd. De wandeling leverde 2 dagen voorraad op voor het lassen. De orderregistratie van tien orders toont deze wachttijden in dagen: 0,5, 0,5, 1, 1, 1,5, 2, 2, 2,5, 3 en 6. De som is 20, dus het gemiddelde is 2 dagen en de mediaan is 1,75 dag. Eén op de tien orders wachtte 6 dagen. Een klant onthoudt de order van 6 dagen, niet het gemiddelde, dus de spreiding is even belangrijk als het gemiddelde.

De les: de stopwatch en de wandeling gaven een plausibel beeld, maar de data liet twee dingen zien die ze misten. Wachten is de belangrijkste verspilling in deze stroom, en de voorraad ervoor is een teken van overproductie stroomopwaarts. De data wijst ook de plek aan waar je moet kijken: het lassen, en de orders die het langst wachten. De wandeling vertelt je vervolgens waarom.

Wat zijn de grenzen van datagedreven value stream mapping?

Data is een registratie van wat mensen hebben geboekt, en boekingen zijn niet altijd hetzelfde als gebeurtenissen. Operators boeken soms een hele batch aan het einde van een shift, dus starttijden en eindtijden tonen de boeking en niet het werk. Voorraadregistraties kunnen achterlopen op wat er op de vloer gebeurt. Sommige activiteiten hebben misschien helemaal geen boeking, zoals verplaatsingen tussen gebouwen. Wachttijd verstopt zich vaak op plekken waar niemand iets boekt.

Data zegt ook niets over het waarom. Het vertelt je niet dat de operator 40 meter loopt voor kartons of dat een opspanning lastig vast te zetten is. Daarvoor heb je nog steeds de gemba nodig, de plek waar het werk gebeurt. Gebruik data als gids voor waar je eerst moet kijken en als manier om de value stream map vaak te herhalen, en gebruik de wandeling om te begrijpen. Gebruik beide om verspilling te identificeren en om een kaizen-stap te kiezen, een kleine verandering in continue procesverbetering. Het doel is de stroom te optimaliseren, niet een perfecte map te maken. Wanneer je beide doet, corrigeert elk de ander.

Veelgemaakte fouten

• Blind vertrouwen op de data. Ga na hoe elk veld wordt geboekt en wanneer. Late en batchboekingen vertekenen de cycle times.
• De wandeling overslaan. Een map die alleen aan het bureau is gemaakt, toont wat de systemen registreren, niet wat de fabriek doet.
• Alleen met gemiddelden werken. Eén lange wachttijd kan schuilgaan achter een mooi gemiddelde. Toon de mediaan en de spreiding.
• Alle productfamilies tegelijk in kaart brengen. Begin met één productfamilie en breid later uit.
• De informatiestroom vergeten. Data laat zien hoe materiaal is bewogen. Je moet nog steeds vragen hoe planningen en orders de vloer bereiken.
• Een tool kopen voordat je de data hebt opgeschoond. Een tool toont foute cijfers alleen sneller. Verbeter eerst de boekingen.

Hoe software kan helpen

Data handmatig extraheren, opschonen en koppelen kost tijd, en het moet telkens opnieuw. iFAKT's Polaris VSM is een module van iFAKT Polaris voor datagedreven value stream mapping. Het modelleert materiaal- en informatiestromen samen met het team en maakt verspilling en knelpunten zichtbaar. Welke tool je ook gebruikt, controleer hoe de data wordt geboekt en vergelijk de eerste map met wat je op de vloer ziet.

Volgende stap

Maak een lijst van de systemen die vraag, routings, voorraad en productiefeedback voor één productfamilie bevatten, en vraag wie elk gegeven boekt en wanneer. Probeer daarna digitale value stream mapping uit op die familie met vier weken aan data, en loop de stroom af om het resultaat te controleren.